# 河海大学水文协作作业

**Repository Path**: stdin2/hohai

## Basic Information

- **Project Name**: 河海大学水文协作作业
- **Description**: 河海大学水文协作作业的存储仓库
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-06-11
- **Last Updated**: 2025-06-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 水文作业代码介绍
本仓库为河海大学水文与软件工程学院水文作业的代码
我们选的是136006A。
## 策略介绍
总的思路是**网格粗略搜索和深度学习精调混合优化策略**：
### **阶段一（网格搜索）**
 首先使用**传统的 NumPy网格搜索**（即通过四层循环暴力求解）进行粗略的全局探索，在预定义的参数范围内，以固定的步长遍历所有可能的参数组合，对每个组合进行模型模拟，然后评估其性能（使用纳什效率系数，NSE），最终找出 NSE 最高的参数组合，找到一个初步的、相对较好的参数组合（`x1=100.0, x2=-3.0, x3=100.0, x4=1.1`，NSE 约为 `0.8531`）。这个阶段的目的是避免后续深度学习优化陷入非常差的局部最优。
### 阶段一核心代码
![[ZG4$VZ{ZS(9C(RDT2E_K258.jpg]]
### 阶段一输出结果
![[3~LGN9S~F[HD)LZS1E4NC@S.jpg]]
![[Figure_1.png]]
黑色线代表**观测到的径流**
红色线代表**模拟出的径流**
### **阶段二（深度学习精调）**
将 GR4J 模型封装成一个 PyTorch **可训练的神经网络模块**，然后利用深度学习框架的**自动微分** 和 **优化器**功能，通过梯度下降来微调模型的参数，以最大化NSE。它从一个已知的“较好”参数组合开始（例如，从第一个代码块中找到的最佳参数），进行局部精细优化。
### 阶段二核心代码
![[Pasted image 20250611191401.png]]
![[Pasted image 20250611191423.png]]
### 阶段二输出答案
![[Pasted image 20250611192245.png]]
经过388轮学习，最终获得的流域最佳参数组合为： 108.8  -2.30  98.2  1.07由此参数组合得出的纳什效率系数为 0.860。
![[Pasted image 20250611194407.png]]